تدريب نموذجي مع Ultralytics YOLO

مقدمة

يتضمن تدريب نموذج التعلم العميق تغذية بياناته وتعديل معلماته حتى يتمكن من إجراء تنبؤات دقيقة. وضع القطار في Ultralytics YOLOv8 تم تصميمه للتدريب الفعال والكفء لنماذج الكشف عن الأشياء ، والاستفادة الكاملة من قدرات الأجهزة الحديثة. يهدف هذا الدليل إلى تغطية جميع التفاصيل التي تحتاجها للبدء في تدريب نماذجك الخاصة باستخدام YOLOv8مجموعة قوية من الميزات.

شاهد: كيفية تدريب YOLOv8 على مجموعة بياناتك المخصصة في Google Colab.

لماذا تختار Ultralytics YOLO للتدريب؟

فيما يلي بعض الأسباب المقنعة لاختيار YOLOv8وضع القطار:

• كفاءة: حقق أقصى استفادة من أجهزتك ، سواء كنت تستخدم إعداد وحدة معالجة رسومات واحدة أو تتوسع عبر وحدات معالجة رسومات متعددة.
• براعه: تدرب على مجموعات البيانات المخصصة بالإضافة إلى المجموعات المتاحة بسهولة مثل COCO و VOC و ImageNet.
• سهل الاستخدام: بسيطة لكنها قوية CLI و Python واجهات لتجربة تدريب مباشرة.
• مرونة المعلمات الفائقة: مجموعة واسعة من المعلمات الفائقة القابلة للتخصيص لضبط أداء النموذج.

الميزات الرئيسية لوضع القطار

فيما يلي بعض الميزات البارزة ل YOLOv8وضع القطار:

• تنزيل مجموعة البيانات تلقائيا: يتم تنزيل مجموعات البيانات القياسية مثل COCO و VOC و ImageNet تلقائيا عند الاستخدام الأول.
• دعم وحدات معالجة الرسومات المتعددة: قم بتوسيع نطاق جهودك التدريبية بسلاسة عبر وحدات معالجة الرسومات المتعددة لتسريع العملية.
• تكوين المعلمات الفائقة: خيار تعديل المعلمات الفائقة من خلال ملفات تكوين YAML أو CLI الحجج.
• التصور والمراقبة: تتبع مقاييس التدريب في الوقت الفعلي وتصور عملية التعلم للحصول على رؤى أفضل.

أمثلة الاستخدام

قطار YOLOv8n على مجموعة بيانات COCO8 ل 100 حقبة بحجم الصورة 640. يمكن تحديد جهاز التدريب باستخدام device جدال. إذا لم يتم تمرير أي وسيطة GPU device=0 سيتم استخدامها إذا كانت متوفرة ، وإلا device='cpu' سيتم استخدامها. راجع قسم الحجج أدناه للحصول على قائمة كاملة بوسيطات التدريب.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model
results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

تدريب متعدد وحدات معالجة الرسومات

يسمح التدريب متعدد وحدات معالجة الرسومات باستخدام أكثر كفاءة لموارد الأجهزة المتاحة من خلال توزيع حمل التدريب عبر وحدات معالجة رسومات متعددة. تتوفر هذه الميزة من خلال كل من Python API وواجهة سطر الأوامر. لتمكين التدريب على وحدات معالجة الرسومات المتعددة، حدد معرفات أجهزة وحدة معالجة الرسومات التي ترغب في استخدامها.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640, device=[0, 1])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1

تدريب Apple M1 و M2 MPS

مع دعم شرائح Apple M1 و M2 المدمجة في Ultralytics YOLO ، أصبح من الممكن الآن تدريب نماذجك على الأجهزة باستخدام إطار عمل تظليل الأداء المعدني (MPS) القوي. يوفر MPS طريقة عالية الأداء لتنفيذ مهام الحساب ومعالجة الصور على السيليكون المخصص من Apple.

لتمكين التدريب على شرائح Apple M1 و M2 ، يجب عليك تحديد "mps" كجهازك عند بدء عملية التدريب. فيما يلي مثال على كيفية القيام بذلك في Python وعبر سطر الأوامر:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640, device='mps')

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps

مع الاستفادة من القوة الحسابية لرقائق M1 / M2 ، يتيح ذلك معالجة أكثر كفاءة لمهام التدريب. للحصول على إرشادات أكثر تفصيلا وخيارات التكوين المتقدمة، يرجى الرجوع إلى PyTorch وثائق MPS.

استئناف التدريبات المتقطعة

يعد استئناف التدريب من حالة محفوظة مسبقا ميزة حاسمة عند العمل مع نماذج التعلم العميق. يمكن أن يكون هذا مفيدا في سيناريوهات مختلفة ، مثل عندما تتم مقاطعة عملية التدريب بشكل غير متوقع ، أو عندما ترغب في مواصلة تدريب نموذج ببيانات جديدة أو لمزيد من العصور.

عند استئناف التدريب ، Ultralytics YOLO يقوم بتحميل الأوزان من آخر نموذج تم حفظه ويستعيد أيضا حالة المحسن وجدولة معدل التعلم ورقم العصر. يتيح لك ذلك مواصلة عملية التدريب بسلاسة من حيث توقفت.

يمكنك بسهولة استئناف التدريب في Ultralytics YOLO عن طريق تعيين resume حجة ل True عند الاتصال ب train ، وتحديد المسار إلى .pt ملف يحتوي على أوزان النموذج المدربة جزئيا.

فيما يلي مثال على كيفية استئناف التدريب المتقطع باستخدام Python وعبر سطر الأوامر:

from ultralytics import YOLO

# Load a model
model = YOLO('path/to/last.pt')  # load a partially trained model

# Resume training
results = model.train(resume=True)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

عن طريق الإعداد resume=Trueال train ستواصل الوظيفة التدريب من حيث توقفت ، باستخدام الحالة المخزنة في ملف "المسار / إلى / last.pt". إذا كان resume تم حذف الوسيطة أو تعيينها إلى Falseال train ستبدأ وظيفة دورة تدريبية جديدة.

تذكر أن نقاط التفتيش يتم حفظها في نهاية كل حقبة بشكل افتراضي ، أو في فترة زمنية محددة باستخدام save_period وسيطة ، لذلك يجب عليك إكمال حقبة 1 على الأقل لاستئناف تشغيل التدريب.

إعدادات القطار

إعدادات التدريب ل YOLO تشمل النماذج العديد من المعلمات والتكوينات الفائقة المستخدمة أثناء عملية التدريب. تؤثر هذه الإعدادات على أداء النموذج وسرعته ودقته. تتضمن إعدادات التدريب الرئيسية حجم الدفعة ومعدل التعلم والزخم واضمحلال الوزن. بالإضافة إلى ذلك، يمكن أن يؤثر اختيار المحسن ووظيفة الخسارة وتكوين مجموعة بيانات التدريب على عملية التدريب. يعد الضبط الدقيق والتجريب مع هذه الإعدادات أمرا بالغ الأهمية لتحسين الأداء.

إعدادات التعزيز والمعلمات الفائقة

تقنيات التعزيز ضرورية لتحسين متانة وأداء YOLO النماذج من خلال إدخال التباين في بيانات التدريب ، مما يساعد النموذج على التعميم بشكل أفضل على البيانات غير المرئية. يوضح الجدول التالي الغرض من كل وسيطة زيادة وتأثيرها:

يمكن ضبط هذه الإعدادات لتلبية المتطلبات المحددة لمجموعة البيانات والمهمة المطروحة. يمكن أن تساعد تجربة قيم مختلفة في العثور على استراتيجية التعزيز المثلى التي تؤدي إلى أفضل أداء للنموذج.

تسجيل

في التدريب أ YOLOv8 النموذج ، قد تجد أنه من المفيد تتبع أداء النموذج بمرور الوقت. هذا هو المكان الذي يلعب فيه التسجيل. Ultralytics' YOLO يوفر الدعم لثلاثة أنواع من الحطابين - Comet, ClearML، و TensorBoard.

لاستخدام مسجل ، حدده من القائمة المنسدلة في مقتطف الشفرة أعلاه وقم بتشغيله. سيتم تثبيت المسجل المختار وتهيئته.

Comet

Comet هي منصة تسمح لعلماء البيانات والمطورين بتتبع التجارب والنماذج ومقارنتها وشرحها وتحسينها. يوفر وظائف مثل المقاييس في الوقت الفعلي ، واختلافات التعليمات البرمجية ، وتتبع المعلمات الفائقة.

لاستخدام Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

تذكر تسجيل الدخول إلى Comet على موقع الويب الخاص بهم والحصول على مفتاح API الخاص بك. ستحتاج إلى إضافة هذا إلى متغيرات البيئة أو البرنامج النصي لتسجيل تجاربك.

ClearML

ClearML هي منصة مفتوحة المصدر تعمل على أتمتة تتبع التجارب وتساعد في المشاركة الفعالة للموارد. إنه مصمم لمساعدة الفرق على إدارة أعمال التعلم الآلي وتنفيذها وإعادة إنتاجها بشكل أكثر كفاءة.

لاستخدام ClearML:

# pip install clearml
import clearml

clearml.browser_login()

بعد تشغيل هذا البرنامج النصي ، ستحتاج إلى تسجيل الدخول إلى ClearML على المتصفح ومصادقة جلستك.

تينسور بورد

TensorBoard هي مجموعة أدوات تصور ل TensorFlow. يسمح لك بتصور ملف TensorFlow الرسم البياني ، ورسم المقاييس الكمية حول تنفيذ الرسم البياني الخاص بك ، وإظهار بيانات إضافية مثل الصور التي تمر عبره.

لاستخدام TensorBoard في Google Colab:

load_ext tensorboard
tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

لاستخدام TensorBoard محليا ، قم بتشغيل الأمر أدناه وعرض النتائج في http://localhost:6006/.

tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

سيؤدي هذا إلى تحميل TensorBoard وتوجيهه إلى الدليل حيث يتم حفظ سجلات التدريب الخاصة بك.

بعد إعداد المسجل الخاص بك ، يمكنك بعد ذلك متابعة تدريب النموذج الخاص بك. سيتم تسجيل جميع مقاييس التدريب تلقائيا في النظام الأساسي الذي اخترته ، ويمكنك الوصول إلى هذه السجلات لمراقبة أداء نموذجك بمرور الوقت ، ومقارنة النماذج المختلفة ، وتحديد مجالات التحسين.

التعليقات